[发明专利]一种基于集成迁移学习的轴承故障诊断方法

说明书

本发明公开了一种基于集成迁移学习的轴承故障诊断方法，包括如下步骤：将采集到的某一设备中的轴承振动数据A作为目标数据，并将其它同型号轴承在其它设备中不同工况下的振动数据B作为源域数据，对数据A和B进行特征提取，并进行特征优选；从数据B中寻找与目标数据A相似度高的源域数据；对筛选后的源域数据进行N次随机采样，得到N个源域样本集；将步骤3中的N个源域样本集分别与目标数据混合，组成N个训练样本集；用支持向量机对步骤3中的N个训练样本集进行训练，得到N个分类器，但不限于只采用支持向量机对样本集进行训练；对故障状态数据进行测试并集成投票，票多者作为最终诊断结果。

方法领域

本发明涉及机械故障诊断技术领域，具体涉及一种基于集成迁移学习的轴承故障诊断方法。

背景方法

轴承是机械传动系统中的重要支承部件，受恶劣工况影响，故障频发，往往会严重影响了企业的正常生产运营，为保证设备的正常运行，轴承的故障诊断至关重要。基于机器学习的传统故障诊断方法，如Adaboost、决策树、最邻近结点算法(KNN，K-NearestNeighbor)和支持向量机(SVM，Support Vector Machine)等进行诊断分析时，需满足以下两个条件：1、测试与训练数据分布一致；2、训练样本要足够多。但机械设备在实际工作过程中由于工况复杂多变，往往会导致产生的状态信息数据分布不一致，进而影响故障诊断的精度。

迁移学习是运用己有(源域)知识，对不同但相关领域(目标域)问题进行求解的一种机器学习方法，是一种可以有效解决传统机器学习以上两个问题的方法，其优势在于可以迁移已有的知识来解决目标域中仅有的少量有标签样本甚至无标签样本数据的学习问题。但迁移学习方法在机械设备故障诊断领域应用较少。

发明内容

本发明的目的就是要针对现有技术的不足，提供一种基于集成迁移学习的轴承故障诊断方法，其解决了因工况复杂多变而产生数据分布不一致，导致传统机器学习进行故障诊断分析时精度低的问题。

为实现上述目的，本发明所涉及的一种基于集成迁移学习的轴承故障诊断方法，包括如下步骤：

步骤1：将采集到的某一设备中的轴承振动数据A作为目标数据，并将其它同型号轴承在其它设备中不同工况下的振动数据B作为源域数据，对数据A和B进行特征提取，并进行特征优选；

步骤2：从数据B中寻找与目标数据A相似度高的源域数据；

步骤3：对筛选后的源域数据进行N次随机采样，得到N个源域样本集；

步骤4：将步骤3中的N个源域样本集分别与目标数据混合，组成N个训练样本集；

步骤5：用支持向量机对步骤3中的N个训练样本集进行训练，得到N个分类器，但不限于只采用支持向量机对样本集进行训练；

步骤6：对故障状态数据进行测试并集成投票，票多者作为最终诊断结果。

进一步地，所述步骤1中，所述特征优选的步骤为：

步骤1.1：计算类内中心，并按类内中心从小到大对特征进行排序；

步骤1.2：计算重复度。

更进一步地，所述步骤1.1中，所述类内中心的计算公式为：

式中：表示p故障下，f特征中第k个特征值；N＝∑n_k表示一种特征向量下特征值的个数。

更进一步地，所述步骤1.2中，所述重复度C_p,f的计算公式为：